Fleets Tau AI senkt Fehler bei Kupfergehaltsprognosen in Chile
Fleet Space Technologies hat Tau 3.8 vorgestellt, ein KI-Weltmodell für Mineralsysteme. Nach Angaben des Unternehmens prognostizierte es die Kupfergehalte im chilenischen Valeriano-Projekt von ATEX Resources mit 38 % weniger Fehlern als herkömmliche geostatistische Schätzungen. Das Modell wurde mit zehn Millionen synthetischen geologischen Welten trainiert und ist in den Vereinigten Staaten und Kanada verfügbar.
- Fleet hat Tau 3.8 in den Vereinigten Staaten und Kanada vorgestellt.
- Tau wurde mit zehn Millionen synthetischen geologischen Welten trainiert.
- Das Modell senkte laut Fleet den Fehler bei Kupfergehaltsprognosen im Valeriano-Projekt von ATEX um 38 %.
- Bei den tiefsten Erweiterungsbohrungen war der Fehler bis zu 67 % geringer.
- Fleet arbeitet mit Nvidia an Infrastruktur für künftige Untergrundmodelle.
KI-Modell soll Herausforderung bei der Kupferversorgung angehen
Fleet zufolge soll Tau Bergbauunternehmen dabei helfen, verborgene Geologie zu rekonstruieren, Ziele für die Erweiterung von Ressourcen zu priorisieren und zu ermitteln, welche zusätzliche Messung die Unsicherheit am stärksten verringern würde. Ziel ist es, Entscheidungen darüber zu verbessern, wo Bohrungen angesetzt werden. Dafür nutzt das Modell Bohrdaten, Geologie, Geophysik, Mineralogie und die 3D-Seismikdaten von Fleet in einem System.
Das Unternehmen stellte Tau vor dem Hintergrund einer wachsenden Kupfernachfrage vor, die mit dem Ausbau von Rechenzentren und Strominfrastruktur in Nordamerika einhergeht. S&P Global prognostiziert, dass die Kupfernachfrage von Rechenzentren von 1,1 Millionen Tonnen im Jahr 2025 auf 2,5 Millionen Tonnen im Jahr 2040 steigen wird. Laut S&P Global werden KI-Trainingsprozesse bis 2030 für 58 % dieser Nachfrage verantwortlich sein.
Fleet zufolge ist die Suche nach Lagerstätten eine große Einschränkung, weil deren Auffindung langsam, teuer und unsicher ist, während Bohrlöcher nur einen kleinen Teil des darunterliegenden Untergrunds erfassen. „Nordamerika baut eine KI-Wirtschaft auf einer Mineralbasis auf, die es noch nicht gefunden hat“, sagte Flavia Tata Nardini, Mitgründerin und CEO von Fleet.
Test in Valeriano zeigt geringeren Prognosefehler
Im chilenischen Kupfer-Gold-Projekt Valeriano von ATEX Resources kombinierte Tau die Messungen von Fleet mittels Tomografie des Umgebungsrauschens und Magnetotellurik mit Comet und maschinellem Lernen. In einem Test mit Bohrlöchern, die dem Modell vorenthalten wurden, prognostizierte Tau die Kupfergehalte laut Fleet mit 38 % weniger Fehlern als eine konventionelle Kriging-Schätzung auf Basis derselben Bohrdaten.
Bei den tiefsten Erweiterungsbohrungen sei der Fehler um bis zu 67 % geringer gewesen, berichtet das Unternehmen. Fleet zufolge handelte es sich bei der konventionellen Schätzung um eine unabhängige Untersuchung, die nicht mit der SRK-Mineralressourcenschätzung von 2025 in Zusammenhang stand.
Bohrungen sind bei der Mineralexploration in der Regel der größte Kostenfaktor. Ein einzelnes tiefes Diamantbohrloch kann laut Angaben des Unternehmens mehrere Hunderttausend Dollar kosten. Fleet zufolge können genauere Gehaltsprognosen Teams dabei helfen, Ziele zu priorisieren, Ressourcen mit weniger Bohrungen abzugrenzen und zu erweitern sowie die Zahl der Bohrlöcher zu verringern, die im tauben Gestein enden.
Tau kombiniert synthetische Geologie mit Seismikdaten
Fleet Chief Scientific Officer Dr. Gerrit Olivier sagte, das Unternehmen habe zehn Millionen simulierte geologische Umgebungen erstellt, modelliert, was seismische Sensoren und Bohrlöcher in jeder dieser Umgebungen erfassen würden, und Tau darauf trainiert, die Geologie zwischen diesen unvollständigen Messungen abzuleiten. Anders als ein auf Sprache ausgerichtetes System soll Tau die Struktur, Geometrie und Zusammensetzung physischer Mineralsysteme erlernen.
Seismikdaten helfen dabei, Tiefe, Ausrichtung, Geometrie und Kontinuität von Strukturen zwischen Bohrlöchern einzugrenzen. Sobald neue Informationen eintreffen, aktualisiert Tau sein Untergrundmodell und empfiehlt die nächste Messung. Diesen Ansatz nennt Fleet Agentic Geoscience.
„Tau nimmt dem Geologen die Entscheidung nicht ab“, sagte Nardini. „Das Modell liefert ihm eine quantifizierte Sicht auf die Unsicherheit, bevor der Bohrer die Antwort gibt.“ Fleet arbeitet mit Nvidia an beschleunigter Recheninfrastruktur für hochauflösende Untergrundmodelle und ist Industriepartner des Mineral-X-Programms der Stanford University.
